Professional Documents
Culture Documents
ESPECTRAL PARA
EVOLUCION
REGISTROS DE OLAS
Tesis
Que para obtener el Grado de:
Maestro en Ciencias con Orientaci
on en Probabilidad y
Estadstica
P R E S E N T A:
Carolina de Jes
us Euan Campos
Director:
Dr. Joaqun Ortega Sanchez
30 Julio de 2012
Asesor:
Sustentante:
Dedicatoria
A mis padres, Bolvar Concepcion Euan Perez y Mara Concepcion
Campos Alcocer.
Agradecimientos
A mis padres y hermanos por el apoyo que me han otorgado durante mi
formacion academica.
A mi asesor el Dr. Joaqun Ortega por su paciencia y confianza en m en
estos u
ltimos seis meses, as como su motivacion para continuar con mi desarrollo academico.
A mis sinodales el Dr. Miguel Nakamura y el Dr. Jose Luis Bat
un por sus
comentarios para mejorar este trabajo.
A la Dra. Graciela Gonzales por dar lectura y opiniones a este proyecto.
A todos mis profesores que formaron parte de mi formacion en la maestra,
en especial al Dr. Rogelio Ramos por sus ense
nanzas y consejos profesionales.
Al Consejo Nacional de Ciencia y Tecnologa (CONACyT) por la beca de
maestra que me fue otorgada.
i
RESUMEN
El analisis espectral de series de tiempo, ha sido estudiado a profundidad
debido a sus diversas aplicaciones. En este trabajo nos centramos en su
aplicacion al area de Oceanografa, donde los espectros se obtienen cada
20 o 30 minutos y por lo tanto un problema interesante, aunque poco
estudiado, es modelar la evolucion de estos en el tiempo. Dicho problema
es el objetivo principal que se analiza en esta tesis, mediante herramientas
de modelos autorregresivos para determinar la dependencia en el tiempo
y encontrar las relaciones entre frecuencias. Otro de los objetivos de este
proyecto es la caracterizacion de nuestros datos mediante representaciones
en bases funcionales, especficamente en bases B-splines.
En el Captulo 1 introducimos los conceptos basicos del analisis de series
temporales en el espacio de frecuencias as como la importancia de este
estudio en el area de Oceanografa. En el Captulo 2 definimos las dos
tecnicas basicas para el analisis estadstico, Ajustes B-splines y Modelos
Autorregresivos Vectoriales (VAR) junto con algunos ejemplos. Finalmente,
en el Captulo 3 presentamos la aplicacion de las tecnicas anteriores a tres
diferentes conjuntos de datos, dos correspondientes al desarrollo de tormentas
y uno mas a mar en calma, en este captulo comentamos acerca de la calidad
de los ajustes y de como obtener un ajuste optimo, ademas consideramos los
modelos VAR en cada caso y comparamos los modelos resultantes para cada
conjunto de datos.
ii
Indice general
Indice general
III
1. INTRODUCCION
1.1. Planteamiento del Problema y
Conceptos Basicos . . . . . . . . . . . . . . . . . . . . . . . .
1
1
2. METODOS
9
2.1. B-Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Modelos Autorregresivos Vectoriales (VAR) . . . . . . . . . . . 12
3. APLICACION
3.1. Tormenta del Mar
3.1.1. Datos . .
3.1.2. Resultados
3.2. Hawai Enero . . .
3.2.1. Datos . .
3.2.2. Resultados
3.3. Hawai Julio . . .
3.3.1. Datos . .
3.3.2. Resultados
del Norte
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
CONCLUSIONES
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
19
19
21
29
29
30
39
39
39
47
A. GRAFICOS
COMPARATIVOS DEL MODELO COMPLETO Y REDUCIDO PARA LA TORMENTA DEL MAR DEL
NORTE
49
iii
iv
INDICE GENERAL
B. GRAFICOS
COMPARATIVOS DEL MODELO COMPLETO Y REDUCIDO PARA LA TORMENTA DE HAWAI
(PRIMERA PARTE)
61
C. GRAFICOS
COMPARATIVOS DEL MODELO COMPLETO Y REDUCIDO PARA LA TORMENTA DE HAWAI
(SEGUNDA PARTE)
73
D. GRAFICOS
COMPARATIVOS DEL MODELO COMPLETO Y REDUCIDO PARA MAR EN CALMA DE HAWAI 85
Bibliografa
97
Captulo 1
INTRODUCCION
1.1.
CONCEPTOS BASICOS
5
0
x2
10
0
10
x1
10
= 10 100 A2 = 41
10
= 6 100 A2 = 13
20
40
60
80
100
20
40
60
Tiempo
Tiempo
= 40 100 A2 = 85
Suma
80
100
80
100
0
10
15
x3
15
10
20
40
60
80
100
20
Tiempo
40
60
Tiempo
(1.1)
(1.2)
(1.3)
CAPITULO 1. INTRODUCCION
(1.7)
CONCEPTOS BASICOS
La densidad espectral tiene varias propiedades, entre ellas una de las mas
importantes es la siguiente,
Z
f ()d = (0) = V ar(Xt ),
CAPITULO 1. INTRODUCCION
1/2
n f ()d,
mn =
1/2
4 m0 .
Frecuencia y periodo medio. Si el espectro esta concentrado alrededor de
una frecuencia dominante, la frecuencia media proporciona el perodo
medio.
m1
m0
El conocimiento de las caractersticas del espectro es muy importante
en el dise
no de estructuras costeras y de agua profunda, como barcos,
plataformas petroleras, marinas, rompeolas, etc., cuya respuesta a las
distintas condiciones de oleaje deben ser bien estudiadas.
En condiciones usuales o bien de mar tranquilo, este analisis permite en
los perodos de estacionariedad de las olas caracterizar la distribucion de
la energa. En el caso de tormentas y huracanes es de interes entender como
evoluciona la distribucion de la energa a medida que la tormenta se desarrolla
para as tomar las acciones necesarias para prevenir los posibles desastres que
se pudiesen ocasionar debido al fenomeno.
CONCEPTOS BASICOS
0
4
Altura (m)
Altura de Olas
200
400
600
800
1000
1200
Tiempo (s)
0.0
0.5
Energa
1.0
1.5
Espectro
0.0
0.1
0.2
0.3
0.4
0.5
Frecuencia
CAPITULO 1. INTRODUCCION
g2
exp (p / )4 , para 0 max ,
5
g2
4
[exp((1 )2 /22 )]
exp
(
/
)
,
p
5
CONCEPTOS BASICOS
Captulo 2
METODOS
En el desarrollo del trabajo consideramos dos tecnicas de analisis
estadstico y representacion de datos, las cuales mencionamos a continuacion
a detalle.
2.1.
B-Splines
Dada una funcion X(t), es de interes poder expresarla en funciones simples que puedan ser mas claras de interpretar. Ademas, esta representacion
puede ser tomada como base para comparar o establecer alguna relacion entre
dos o mas funciones.
Definici
on 2.1 Sea {k }K
k=1 un subconjunto de funciones base. Decimos que
X(t) tiene una expresion en funciones base si
X(t) =
K
X
ck k (t) = cT (t),
(2.1)
k=1
10
2.1. B-SPLINES
0.0
0.2
0.4
0.6
0.8
1.0
Bases de Bspline
0.4
0.6
0.8
1.0
1.2
1.4
1.6
CAPITULO 2. METODOS
11
0.4
0.6
0.8
1.0
1.2
1.4
1.6
rad/s
RMS residual = 0.0863
12
A pesar de los beneficios del uso de bases B-splines, estos tienden a producir
ajustes un poco inestables cerca del principio o final del intervalo donde se
definen, ya que en esta region solo dependen de un coeficiente. Mas detalles
de esta tecnica se pueden consultar en Ramsay (2005).
2.2.
i
i
1,1 1,2
. . . 1,m
i
i
i
i
i
i
m,1
m,2
. . . m,m
(2.2)
CAPITULO 2. METODOS
13
14
GNP
1500
2000
2500
3000
3500
4000
1955
1960
1965
1970
1975
1980
1985
1975
1980
1985
Ao
450
500
M1
550
600
Dinero Real
1955
1960
1965
1970
Ao
Figura 2.3: Series economicas del los Estados Unidos 1954 a 1987
Notemos que para el caso de GNP, las dos variables en el pasado y la
tendencia son significativas, as como en el caso de M1. Sin embargo, las
variables con un retraso son mas significativas que a con dos retrasos en el
tiempo. Esto nos muestra que parece ser significante la dependencia de estas
variables a traves del tiempo mas a
un, la dependencia se conserva en al menos
dos pasos hacia atras en el tiempo.
CAPITULO 2. METODOS
15
0.4
0.2
0.0
0.2
ACF
0.6
0.8
1.0
10
15
20
15
20
Lag
0.4
0.2
0.0
0.2
ACF
0.6
0.8
1.0
Residuales para el M1
10
Lag
Figura 2.4: ACF para los residuales del ajuste VAR(2) para las variables
GNP y M1.
16
CAPITULO 2. METODOS
17
3200
3400
3600
3800
4000
1982
1984
1986
1988
1986
1988
Ao
450
500
550
600
Predicciones para M1
1982
1984
Ao
18
Captulo 3
APLICACION
Uno de los objetivos de este trabajo es modelar la evolucion de los
espectros durante el desarrollo de una tormenta, mas a
un es de interes
comparar entre tormentas con distintas energas as como con el mar en
calma. Para ello consideraremos tres conjuntos de datos en los cuales
aplicaremos los modelos detallados en el captulo anterior.
3.1.
3.1.1.
20
f(w)
f(w)
10
15
rad/s
10
15
rad/s
HS
50
100
150
200
250
Figura 3.1: Espectros para la tormenta del Mar del Norte y la Altura
Significativa (HS).
normalizar nuestras densidades ya que de este modo podemos interpretar al
area en un determinado rango de frecuencias como el porcentaje de la energa
total que aporta este rango de frecuencias. Seguido a esto eliminaremos las
frecuencias menos significativas seg
un el siguiente criterio: reducimos el rango
eliminando las bajas frecuencias hasta la cual se ha acumulado el 5 % de la
energa y analogamente eliminamos las altas frecuencias a partir de que solo
resta el 5 % de la energa. Lo anterior, se realizo para cada espectro y despues
para tener un rango en com
un se toma el mnimo en las frecuencias bajas y
el maximo en las frecuencias altas. De este modo nuestro rango disminuye al
intervalo de frecuencias [0.3835, 1.6183], el cual contiene al menos el 90 % de
la energa total del proceso.
Una vez elegido el rango de frecuencias, procederemos a ajustar un modelo
de B-splines para cada espectro y una vez elegido el modelo que se ajuste
de manera optima (buen ajuste con menor n
umero de nodos) analizaremos
CAPITULO 3. APLICACION
21
3.1.2.
Resultados
1
n
n
X
| f () f() |,
(3.1)
(3.2)
22
10 nodos
Error
0.2
50
100
150
200
250
50
200
250
0.15
Error
Error
100
150
200
250
150
200
250
200
250
200
250
200
250
0.001
0.05
50
100
50 nodos
0.10
0.4
0.3
0.2
0
50
20 nodos
0.1
Error
150
0.005
15 nodos
100
0.003
1.0
0.6
Error
1.5
0.5
1.0
Error
2.0
1.4
2.5
5 nodos
50
100
150
200
250
50
100
150
Error2
8 nodos
10 nodos
50
100
150
200
250
0.15
0.10
Error
0.05
0.05
Error
0.15
0.3
0.1
0.2
Error
0.4
0.25
0.20
0.5
5 nodos
50
150
200
250
50
20 nodos
100
150
50 nodos
50
100
150
200
250
4e04
3e04
Error
2e04
0
50
100
150
200
250
1e04
Error
0
0.04
0.02
Error
0.06
0.08
15 nodos
100
50
100
150
CAPITULO 3. APLICACION
Coeficientes con 15 Nodos
23
Coeficiente
Coeficiente
Coeficiente
10
Nodo
10
12
14
1 2 3 4 5 6 7 8 9
Nodo
11
13
15
17
19
Nodo
Figura 3.3: Box plots para los coeficientes del ajuste B-spline con 10, 15 y 20
nodos.
0.4
0.6
0.8
1.0
1.2
1.4
1.6
2.5
2.0
1.5
1.0
0.5
0.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
0.4
0.6
0.8
1.0
1.2
rad/s
rad/s
1.4
1.6
Figura 3.4: Ejemplos de ajuste a cada espectro con una base de 10 nodos y
primera derivada continua.
24
2
3
4
5
HS
50
100
150
200
250
Figura 3.5: Coeficientes de los 5 primeros nodos del modelo con 10 nodos.
Es posible verificar que los modelos AR univariados parecen ser razonables
para algunas de las series de los nodos y debido al interes de investigar si
hay relacion entre frecuencias, un modelo VAR parece ser una buena opcion.
Como primer paso es de interes saber que orden tendra el modelo, para ello
utilizamos una funcion del paquete estadstico R (VARSelect) que utiliza
cuatro criterios.
Criterio de Informacion de Akaike,
2
AIC(p) = ln det(Su (p)) + pK 2
T
CAPITULO 3. APLICACION
25
Criterio de Hanna-Quinn,
HQ(p) = ln det(Su (p)) +
2 ln(ln(T )) 2
pK
T
Criterio de Schwarz,
ln(T ) 2
pK
SC(p) = ln det(Su (p)) +
T
T +n K
) det(Su (p)) ,
T n
P
ut ) y n es el total de n
umero de
t u
0t , K = dim(
donde Su (n) = T 1 Tt=1 u
parametros en cada ecuacion y p es el orden del modelo autorregresivo, en
todos los casos se trata de minimizar cada criterio.
El algoritmo que se utilizo para elegir el orden es el siguiente:
1. Se calculan para cada criterio los valores correspondientes a los ordenes
1, 2 y 3.
2. Se comparan para cada criterio y se elige el orden que tuvo el valor
mnimo.
3. Se comparan entre criterios el orden elegido y se decide por el orden
que fue elegido en la mayora de los criterios.
4. En caso de que no haya mayora, es decir, 2 de 2 criterios eligen un
orden y los otros un orden diferente, se observan los valores de cada
criterio y si las diferencias son peque
nas, se decide por el menor orden.
Para este caso particular un modelo VAR(1) que considera como covariable a
HS es suficiente, el modelo resultante tiene la siguiente matriz de coeficientes
26
T ,
0.11
0.96
0.90
1.53
1.39
1.13
1.21
0.64
1.23
0.51
1.38
0.90
1.67
1.51
1.03
0.84
1.34
1.41
2.47 0.22
8.59 6.39
0.02
0.13
1.15
1.02
0.76
1.16
1.27
1.27
1.54
0.19
2.07
1.91
9.22
0.07
0.25
0.35
0.01
0.04 0.01
0.13
0.61 0.09
0.09 0.03
0.18
0.93 0.12
0.13 0.04
0.92
0.84 0.09
0.11 0.04
0.68
1.16 0.05
0.20 0.07
0.02
1.50
0.03
0.19 0.02
0.07
1.21
0.23
0.20
0.02
0.83
0.99 0.26
0.38 0.05
0.14
1.42
0
0.32
0.11
0.17
1.74
0.78
0.25
0.41
0.86 5.34
0.91 0.57
0.39
0.04 0.03 0.02 0.03 0.01
0
0.01
0.02
0.02
0.06
0.07
0.01
0.04
0.11
0.07
0.06
0.01
0.02
0.04
0.06
0.06
0.06
0.06
0.05
0.04
0.06
0.25
0.42
0
0.70
0.03
0.02
0.04
0.05
0.04
0.03
0.28
0.18
0.10
0.03
0.25
0.18
0.15
0.47
0.67
0.75
0.60
0.44
0.73
0.58
0.95
0.52
0.02
0.03
0.18
0.50
0.30
0.26
0.31
0.28
0.91
0.27
0.50
0.20
0.08
0.52
0.82
0.83
0.26
0.42
0.99
0.95
0.53
0.92
0.93
0.87
0.16
0.06
0.03
0.02
0.03
0.01
0
0.02
0.12
0.03
0.08
0.04
0.02
0.91
0.61
0.63
0.73
0.85
0.92
0.49
0.52
0.99
0.23
0.58
0.10
0.51
0.35
0.33
0.41
0.15
0.20
0.25
0.08
0.15
0.47
0.50
0
0.74
0.56
0.62
0.61
0.40
0.85
0.85
0.70
0.41
0.05
0.46
0
0.98
0.76
0.70
0.71
0.29
0.28
0.88
0.63
0.27
0.65
0.88
0
0.10
0.07
0.07
0.07
0.07
0.12
0.24
0.46
0.30
0
0.04
0
De este modo, si una variable tiene un p-valor grande podemos considerar que
posiblemente tiene un coeficiente cero, por lo que podemos obtener un modelo
reducido. Sin embargo, la primera cuestion que surge es Cuantas variables
conservar para cada nodo? El procedimiento que se utilizo fue considerar para
cada nodo, los tres nodos mas significativos con un retraso y se verificaba el
ajuste, el cual si no pareca razonable para alg
un nodo se consideraba tener
mas nodos para este caso. As, el n
umero de nodos con un retraso que se
CAPITULO 3. APLICACION
27
T =
0 0.27 1.01
0
0.46 0.90 0.43
0
0.79
0
0
0
0.43
0
0
0.74
0
0 0.35
0.38
0.71
0
0
0
2.42
0
0
0
0
0
0
0
0
0 2.09
0
0
0
0
0
4.04
0
3.42
0
0 0.05
0.10 0.01
0
0
0
0
0
0
0
0
0
0
0
0
0.07
0
0
0
0
0
0
0
0
0
0
0
0.34
0 0.14 0.03
0
0
0.57
0
0
0 0.10
0
0.58 0.49
0
0
0
0
0
0 0.65
0
0
0
0
0 0.64
0 0.36
0
0 3.32
0 1.29
0
0.47
0
0
0
0
0
0.06
0
0
0
0
0 0.01
Los ajustes entre los dos modelos (completo y reducido) para las series de
los coeficientes de cada nodo se pueden ver en el Apendice A, en dichos
graficos se puede observar que los ajustes son semejantes por lo que el
modelo reducido es razonablemente bueno. Como medida de error tomamos
los analogos a las ecuaciones 3.1 y 3.2, es decir, la norma supremo y el
promedio, obteniendo as la Figura 3.6 donde podemos observar que el error
de ajuste no es significativamente diferente. Por lo tanto, el modelo reducido
nos brinda un modelo mas sencillo de interpretar sin sacrificar mucho en el
ajuste y la prediccion. El u
ltimo renglon de nuestra matriz, representa los
coeficientes de la HS como covariable; notemos que esta solo es significativa
en los nodos del dos al 4 y en el u
ltimo, recordemos que estos primeros nodos
es donde se centra mas la variabilidad del proceso. Tambien se puede notar
que para los nodos dos, cuatro, cinco, nueve y diez los modelos univariados se
mantienen as como una dependencia de muy pocos otros nodos. Los nodos 6,
8 y 9 solo dependen de otros dos nodos, efecto mencionado anteriormente, al
ser de los u
ltimos nodos no presentan demasiada variabilidad y es suficiente
considerar solo los primeros dos coeficientes significativos. En general los
nodos se relacionan con los nodos cercanos, exceptuando el Nodo 1 y mientras
28
0.0
0.5
1.0
Error
1.5
2.0
Reducido
10
10
Nodo
Error2
0.7
0.4
0.3
0.0
0.1
0.2
Error
0.5
0.6
Reducido
6
Nodo
Figura 3.6: Errores de ajuste para las series de cada nodo bajo el modelo
completo y el modelo reducido.
CAPITULO 3. APLICACION
3.2.
3.2.1.
29
Hawai Enero
Datos
30000
20000
f(w)
30000
10000
10000
20000
f(w)
40000
40000
50000
50000
rad/s
rad/s
5
2
HS
50
100
150
200
30
3.2.2.
Resultados
CAPITULO 3. APLICACION
31
Error1
8 nodos
2.0
1.5
1.0
1.5
Error
Error
2.0
2.5
3.5
3.0
2.5
0.5
0.5
1.5
1.0
2.0
50
100
150
200
50
150
200
20 nodos
100
150
200
150
200
150
200
150
200
150
200
1.4
1.6
1.2
Error
1.2
0.8
Error
1.0
0.6
0.8
0.4
0.6
0.4
50
100
50 nodos
1.4
2.0
1.5
Error
1.0
0.5
50
1.6
15 nodos
100
1.0
Error
10 nodos
3.0
4.0
5 nodos
50
100
150
200
50
100
Error2
8 nodos
Error
0.10
0.10
0.2
50
100
150
200
50
150
200
0.12
0.10
Error
0.10
Error
0.06
0.08
0.04
0.06
0.04
50
100
150
200
100
50 nodos
0.12
0.20
0.15
Error
0.10
0.05
50
20 nodos
0.14
15 nodos
100
0.08
0.15
0.25
0.15
0.20
Error
0.20
0.30
0.25
0.35
0.6
0.5
0.4
0.3
Error
10 nodos
0.40
5 nodos
50
100
150
200
50
100
32
Coeficiente
Coeficiente
Coeficiente
10
Nodo
10
12
14
1 2 3 4 5 6 7 8 9
Nodo
11
13
15
17
19
Nodo
Figura 3.9: Box plots para los coeficientes del ajuste B-spline con 10, 15 y 20
nodos.
0.4
0.6
0.8
1.0
1.2
1.4
1.6
0.4
0.6
0.8
1.0
1.2
rad/s
rad/s
1.4
1.6
Figura 3.10: Ejemplos de ajuste a cada espectro con una base de 10 nodos y
primera derivada continua.
CAPITULO 3. APLICACION
33
10
2
3
4
6
HS
50
100
150
200
ndice
Figura 3.11: Coeficientes de los 5 primeros nodos del modelo con 10 nodos.
34
2.9 1.28
0.19
0.25
0.09 0.04
0.05 0.05 0.01 0.04
2.36 2.35
0.53
0.03
1.07 0.09 0.03 0.08
0.02 0.05
1.5 1.76
0.05 0.1
0.3
0.83
0.04
0.17 0.1
0
.
0.91
1.6
0.82 0.71 0.09
1.42
0.21
0.38
0.08
0.07
1.56
5.63 3.12
2.16 0.71 0.79
0 0.5
0.27 0.22
0.08
3.85 2.12
0.98 0.05 2.48
1.43 0.25
0.46
0.02
7.07 22.46
6.8 2.12
3.3
0.93
0.83
0.88
0.24
0.85
14.91
9.03
2.19 1.05 0.45
0.32 0.26
0.3
0.06
0.23
0.16
1.31 0.75
0.06 0.12 0.02 0.01 0.02 0.01 0.01
0.01
0.06
0.06
0.05
0.12
0.45
0.75
0.78
0.99
0.47
0.07
0.36
0.26
0.16
0.26
0.22
0.04
0.24
0.46
0.18
0.39
0
0.14
0
0.8
0.73
0.84
0.98
0.58
0.97
0.65
0.38
0.58
0.28
0.67
0
0.38
0.57
0.48
0.4
0.93
0.84
0.3
0.11
0.49
0.37
0.59
0.17
0.78
0.52
0.72
0.16
0
0.37
0.86
0.45
0.96
0.05
0.74
0
0.93
0.74
0.73
0.5
0.48
0
0
0.09
0
0.25
0.63
0.1
0.68
0.32
0.43
0.47
0.6
0.6
0.09
1
0
0.05
0.46
0.07
0.42
0.41
0.3
0.27
0.1
0.01
0
0.01
0.21
0.01
0.27
0
0.75
0.79
0.67
0.69
0.52
0.02
0.21
0.03
0
0.26
0.72
0.12
0.11
0.19
0.11
0.19
0.05
0.92
0.17
0.02
0.8
0
0.09
0
Una vez elegidas las variables mas significativas, tomando como base las
tres primeras con menor p-valor para cada nodo y luego a
nadiendo mas
variables hasta obtener un buen ajuste, obtenemos el modelo reducido con
CAPITULO 3. APLICACION
35
T =
0.79
0
0
0 0
0
0
0
0
0
0
0
0
0 0
0
0
0
0
0
0
0 0.51
0 0
0
0
0
0
0
0.96
0
0
0.34 0
0
0
0
0
0
0
0
0
0 1
0
0
0
0
0
0
0
0
0 0
0.87
0
0 0.03
0
.
0
0
0
0 0
1.32
0 0.62
0
0
0
0
0 1.18 0
0
0
0
0
0
0
0
0
0 0 2.24 1.6
0 0.92
0
0 8.42 3.8
0 0
0 0.48
0
0 0.96
0
0
0
0 0
0
0
0
0
0
0
1.53 0.05
0.08 0
0
0
0
0
0
36
0.0
0.5
Error
1.0
Reducido
10
10
Nodo
Error2
0.4
0.2
0.0
0.1
Error
0.3
Reducido
6
Nodo
Figura 3.12: Errores de ajuste para las series de cada nodo bajo el modelo
completo y el modelo reducido.
continuacion:
0.27
0.25 0.13
0.39 0.15
0.14
0.02
0.01
1.72
1.05 0.09
0.61 0.21
0.22
0.03
0.02
2.56
1.45
0.15
0.8 0.35
0.3
0.04
0.02
2.32
2.19 0.9
1.37 0.46
0.36 0.01
0.03
2.83
2.04 1.19
1.36
0.01
0.37
0.04
0.07
2.88 0.12
0.84
0.37
0.34
0.41
0.16
0.12
0.9 5.4
3.92
0.25 0.14
0.37
0.3
0.2
4.63 1.42 0.67
1.68
0.55
0.9
0.45
0.18
5.17
0.26
1.73 1.03
0.16
0.84
0.32 0.04
0.74
9.98 5.17 1.4
0.33 0.52 0.02
0.12
13.66 7.15
4.14 4.62
2.27 1.71 0.12 0.11
0.22
0.72 0.41 0.03 0.06 0.01 0.01 0.01
0.02
0.02
0.04
0.06
0.03
0.02
0.05
0.23
0.06
0.06
0.27
0.01
0.01
0.01
0.03
0.02
0.01
0.01
0.02
0.12
0.04
0.04
0.17
0.01
CAPITULO 3. APLICACION
37
0.52
0.01
0.01
0.01
0.01
0.02
0.64
0.17
0.26
0.9
0.01
0
0.63
0.19
0.23
0.06
0.15
0.94
0.03
0.74
0.96
0.19
0.3
0
0.74
0.88
0.87
0.32
0.28
0.47
0.04
0.84
0.7
0.38
0.43
0
0.04
0.03
0.06
0
0.01
0.5
0.77
0.27
0.62
0.61
0.06
0.27
0.08
0.09
0.06
0.01
0.95
0.16
0.71
0.42
0.86
0.78
0.04
0
0
0
0
0
0
0
0.05
0.01
0.06
0.37
0
0.14
0.44
0.44
0.47
0.83
0.48
0.02
0.01
0.02
0.22
0.94
0.69
0
0.3
0.34
0.57
0.39
0.08
0
0
0.12
0.81
0.57
0.54
0
0.06
0.09
0.05
0.01
0.28
0.43
0.28
0
0.6
0.67
0.03
0
0.21
0.22
0.09
0.11
0.49
0.46
0.62
0.03
0.6
0.69
0.07
0
T
=
0
0
0
0
0
0.06
0
0
0
0
1.27
0
0
0.04
0
0.1
0
0
0
0
1.84
0
0
0
0
0.12
0
0
0
0
2.17 0.72
0
0.59 0.09
0.2
0
0 0.03
0
2.9
0 0.63 0.13
0
0.26
0
0
0
0
0
0
0
0
0
0.42 0.06 0.21
0
0
.
0 3.52 14.79
0
0
0 0.71 0.29
0
0
0
0
0
0
0
0 0.43
0
0.64 0.25
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
9.44
0
0
0
0.87 0.74
0
0
0 0.04
0.26 0.8
0
0 0.11
0
0
0
0
0
38
1.0
0.0
0.5
Error
1.5
Reducido
10
10
Nodo
Error2
0.6
0.3
0.0
0.1
0.2
Error
0.4
0.5
Reducido
6
Nodo
Figura 3.13: Errores de ajuste para las series de cada nodo bajo el modelo
completo y el modelo reducido.
En conclusion, para la tormenta de Hawai, el ajuste de los Bsplines tambien capta el comportamiento de los espectros de una manera
aceptable. Ademas los modelos autorregresivos son suficientes para modelar
el comportamiento evolutivo de los espectros de una manera razonablemente
simple ya que los modelos no resultan ser muy complicados y con los
coeficientes podemos concluir que de igual manera para esta tormenta
tambien se presenta dependencia solo entre frecuencias cercanas.
CAPITULO 3. APLICACION
3.3.
3.3.1.
39
Hawai Julio
Datos
El tercer y u
ltimo conjunto de datos, corresponde a mar tranquilo en
Hawai. Al igual que el conjunto anterior, estos corresponden a espectros
calculados cada 30 minutos con frecuencias de 1.28 hz. En total se tienen
221 intervalos, correspondientes a 4 das 14 horas y 30 minutos. La HS sigue
siendo una variable de interes y se considera en el conjunto de datos. La
Figura 3.14 nos muestra un par de ejemplos de estos espectros, as como la
HS correspondiente. Notemos que la HS no es alta comparada con el caso de
tormentas, como se espera al tener mar tranquilo, ademas en los espectros
se puede notar que el rango que aporta energa al proceso es mayor al caso
de tormentas, es decir, frecuencias un poco mas altas parecen tambien influir
en la altura de las olas cuando el mar se encuentra tranquilo.
Sin embargo, el rango original, [0,4.0212], tambien puede ser reducido con
el criterio que hemos elegido antes, obteniendo as el rango [0.29845,1.6886]
que como podemos observar es mayor al rango en el caso de tormentas.
Una vez elegido el rango, procedemos a trabajar con nuestros espectros
normalizados, la idea es analoga, consideraremos los ajustes B-splines y el
analisis autorregresivo. En este caso particular es de interes comparar la
dificultad de analisis en el caso de mar tranquilo con la del caso de desarrollo
de una tormenta. La siguiente seccion muestra los resultados obtenidos.
3.3.2.
Resultados
40
0.03
f(w)
0.02
0.03
0.00
0.00
0.01
0.01
0.02
f(w)
0.04
0.04
0.05
0.05
0.06
rad/s
rad/s
1.1
0.8
0.9
1.0
HS
1.2
1.3
100
200
300
400
CAPITULO 3. APLICACION
41
Error1
8 nodos
Error
0.1
0.2
0.3
0.25
0.20
Error
0.05
0.2
0.10
0.15
0.8
0.6
0.4
Error
10 nodos
0.30
1.0
5 nodos
100
200
300
400
100
300
400
100
20 nodos
200
300
400
300
400
300
400
300
400
50 nodos
100
200
300
400
0.004
Error
0.001
0.002
0.003
0.04
Error
0.01
0.02
0.02
0.03
0.06
0.04
Error
0.08
0.05
0.10
0.06
15 nodos
200
100
200
300
400
100
200
Error2
10 nodos
0.04
0.02
0.01
0.01
200
300
400
100
300
400
0.00035
0.00015
0.003
Error
Error
0.005
0.015
0.010
0.001
100
200
300
400
200
50 nodos
0.005
100
20 nodos
0.007
15 nodos
200
0.00025
100
100
200
300
400
0.00005
Error
0.03
Error
0.04
Error
0.02
0.05
0.03
0.10
Error
0.05
0.15
0.06
0.07
0.05
8 nodos
0.20
5 nodos
100
200
42
1.5
1.5
2.0
2.0
2.0
2.5
1.0
Coeficiente
1.0
Coeficiente
1.0
Coeficiente
1.5
0.5
0.5
0.5
0.0
0.0
0.0
10
Nodo
10
12
14
1 2 3 4 5 6 7 8 9
Nodo
11
13
15
17
19
Nodo
Figura 3.16: Box plots para los coeficientes del ajuste B-spline con 10, 15 y
20 nodos.
1.2
1.0
0.8
0.6
0.8
0.0
0.2
0.4
0.5
1.0
1.5
2.0
2.5
3.0
0.4
0.2
0.6
0.5
1.0
1.5
2.0
rad/s
rad/s
2.5
3.0
Figura 3.17: Ejemplos de ajuste a cada espectro con una base de 10 nodos y
primera derivada continua.
CAPITULO 3. APLICACION
43
Nodo
1
2
3
4
5
HS
100
200
300
400
Figura 3.18: Coeficientes de los 5 primeros nodos del modelo con 10 nodos.
44
0.82
0.69
0.16
1.27
0.22
0.54
0.28
0.31
0.31
0.32
0.22
0.49
0.22
0.4
0.38
0.36
0.08
1.53
0.31
0.22
0.76 1.35
4.93 15.25
0.46
0.09 0.09
0.19
0.05
0.17
0.01 0.25
0.35
0.09
0.59
0.04 0.31
0.51
0.14
0.15
0.91 0.35
0.55
0.12
0.16
0.14
0.34
0.62
0.15
0.24
0.1 0.08
0.99
0.22
0.03 0.25 0.39
0.9
0.66
0.67
0.33 0.38
0.62
0.69
0.84
0.2 0.42
0.3
0.23
0.06
0.09 0.49
0.3
0.13
0.73 0.11
1.14 1.39 0.37
0.8
4.09 11.66 2.07 2.09
0.07
0.11
0.16
0.16
0.18
0.17
0.05
0.16
0.15
0.06
0.48
0.33
0.12
0.19
0.29
0.29
0.29
0.27
0.23
0.21
0.07
0.11
0.82
1.16
0.17
0.28
0.42
0.42
0.42
0.41
0.41
0.35
0.18
0.12
1.17
0.13
0
0.23
0.27
0.16
0.13
0.26
0.27
0.12
0.72
0.4
0.18
0.01
0.12
0.06
0.59
0.76
0.76
0.62
0.69
0.76
0.18
0.9
0.63
0.1
0.11
0.7
0.36
0.82
0.8
0.7
0.96
0.39
0.25
0.96
0.68
0.89
0.73
0.98
0.94
0.1
0.8
0.85
0.65
0.62
0.75
0.93
0.94
0.43
0.59
0.32
0.41
0.34
0.38
0.84
0.3
0.4
0.32
0.47
0.27
0
0.08
0.03
0.03
0.02
0.01
0
0
0.03
0.26
0.48
0.03
0.34
0.43
0.37
0.35
0.41
0.33
0.14
0
0
0.19
0.64
0.39
0.14
0.09
0.07
0.08
0.09
0.07
0.07
0.6
0.16
0.17
0.74
0.07
0.7
0
0
0
0
0
0
0
0
0
0
0
0
.
0
0
0.02
0
0.42
0
0.43 0.17
0
0
0.11 0.77
T =
0.08
0.12
0.18
0.17
0.19
0.2
0
0.16
0
0
0.52
0
0.09
0.15
0.22
0.23
0.22
0.22
0.17
0
0
0
0.63
0
0.08
0.15
0.22
0.22
0.21
0.23
0.23
0
0
0
0.62
0
Notemos que, a
un reduciendo el modelo se preservan dependencias entre los
nodos, en especial en los u
ltimos. Una vez mas se conservan los modelos
univariados y la dependencia de los primeros nodos con la HS. La Figura
3.19, muestra que en este caso el modelo reducido tambien es una buena
opcion ya que mejora la interpretacion y no se penaliza tanto el ajuste. El
Apendice D, muestra los ajustes que se obtienen bajo cada modelo, completo
y reducido.
En conclusion, el modelo para mar tranquilo indica mayores dependencias
entre los nodos, tanto los correspondientes a bajas frecuencias como a las
frecuencias altas.
45
Error1
0.6
0.7
Completo
0.4
0.3
0.0
0.1
0.2
Error
0.5
Reducido
10
10
Nodo
Error2
0.15
0.00
0.05
Error
0.10
Reducido
6
Nodo
Figura 3.19: Errores de ajuste para las series de cada nodo bajo el modelo
completo y el modelo reducido.
46
CONCLUSIONES
En este trabajo se implementaron nuevas tecnicas en el analisis de datos
de altura de olas. El analisis se centra en caracterizar la evolucion de los
espectros durante el desarrollo de tormentas y compararlo con condiciones
de mar en calma.
Los registros de olas consideran espectros cada 20 o 30 minutos por lo
que nuestros datos son de tipo funcional. En el primer paso del analisis
consideramos ajustar modelos B-spline para caracterizar cada espectro con
un menor n
umero de variables, obteniendo una reduccion a 10 nodos. El
ajuste con 10 nodos es razonablemente bueno para nuestros espectros, tanto
en condicion de tormenta como en mar en calma, y capturo de manera
significativa el comportamiento de cada espectro, los rangos de frecuencia
con mayor energa y las frecuencias con mayor variacion (en cantidad de
energa) a traves del tiempo.
Otro punto importante a tratar fue el de la evolucion en el tiempo de los
espectros el cual, para los tres conjuntos de datos que analizamos, parece
ser bien modelado por un modelo vectorial autorregresivo de orden uno. Los
coeficientes de cada modelo, nos dan la idea de que frecuencias, seg
un el nodo
correspondiente, se relacionan y como es esta dependencia en el tiempo. En
los tres casos, el tener un modelo VAR(1), nos se
nala que la dependencia en
el tiempo parece ser corta, de 20 o 30 minutos hacia atras.
En cuanto a las diferencias entre los modelos, notemos que para los modelos
correspondientes a tormentas los nodos asociados a frecuencias bajas tienen
una dependencia importante con la Altura Significativa y con los nodos
cercanos, mientras que las frecuencias mas altas solo se relacionaban con
frecuencias cercanas o con ellas mismas. Por otra parte, el modelo para mar
en calma conserva mas dependencia entre las frecuencias a
un reduciendo el
modelo original. Es decir, parece que la dependencia entre las frecuencias en
el caso de mar en calma es mayor, en el sentido de involucrar mas variables,
que en el caso del desarrollo de una tormenta.
En general, es sensato modelar la evolucion de los espectros con metodos
autorregresivos vectoriales ya que estos capturan de manera razonablemente
47 rangos de frecuencias.
buena la dependencia entre los distintos
48
Ap
endice A
GRAFICOS
COMPARATIVOS
DEL MODELO COMPLETO
Y REDUCIDO PARA LA
TORMENTA DEL MAR DEL
NORTE
49
50
Modelo Completo.
0.5
0.0
0.5
0.0
0.5
1.0
1.5
50
100
150
200
250
PACF Residuals
0.4
0.3
0.2
0.0
0.8
0.2
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.0
0.5
0.0
0.5
1.0
1.51.0 0.5
0.0
0.5
1.0
1.5
50
100
150
200
250
PACF Residuals
0.2
0.0
0.4
0.1
0.3
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
A. TORMENTA DEL MAR DEL NORTE
51
Modelo Completo.
50
100
150
200
250
PACF Residuals
0.3
0.2
0.4
0.0
0.2
1.0
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
50
100
150
200
250
PACF Residuals
0.3
0.2
0.4
0.0 0.2
1.0
ACF Residuals
6
Lag
10
12
8
Lag
10
12
52
Modelo Completo.
1.5
0.5
0.5
1.0
1.5
50
100
150
200
250
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.5
0.5
0.5
1.0
1.5
50
100
150
200
250
PACF Residuals
0.1
0.0
0.4
0.1
0.8
0.3
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
A. TORMENTA DEL MAR DEL NORTE
53
Modelo Completo.
1.0
0.5
0.0
0.5
1.0
0.0
0.5
1.0
1.5
2.0
2.5
50
100
150
200
250
PACF Residuals
0.3
0.2
0.4
0.0
0.2
1.0
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.0
0.5
0.0
0.5
1.0
0.0
0.5
1.0
1.5
2.0
2.5
50
100
150
200
250
PACF Residuals
0.3
0.2
0.4
0.0
0.2
1.0
ACF Residuals
6
Lag
10
12
8
Lag
10
12
54
Modelo Completo.
0.6
0.2
0.0
0.2
0.4
0.6 0.2
0.4
0.6
0.8
1.0
1.2
1.4
50
100
150
200
250
PACF Residuals
0.15
0.0
0.4
0.00
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.4
0.0
0.2
0.4
0.6
0.2
0.4
0.6
0.8
1.0
1.2
1.4
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
A. TORMENTA DEL MAR DEL NORTE
55
Modelo Completo.
0.3
0.1
0.1
0.2
0.3
0.4 0.0
0.2
0.4
0.6
0.8
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.2
0.0
0.2
0.4
0.0
0.2
0.4
0.6
0.8
50
100
150
200
250
PACF Residuals
0.0
0.4
0.10 0.05
0.8
0.20
ACF Residuals
6
Lag
10
12
8
Lag
10
12
56
Modelo Completo.
0.2
0.1
0.0
0.1
0.2
0.1
0.2
0.3
0.4
0.5
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.2
0.1
0.0
0.1
0.2
0.1
0.2
0.3
0.4
0.5
50
100
150
200
250
PACF Residuals
0.1
0.0
0.4
0.1
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
A. TORMENTA DEL MAR DEL NORTE
57
Modelo Completo.
0.05
0.00
0.05
0.10
0.00
0.10
0.20
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.10
0.10
0.20
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
58
Modelo Completo.
0.06
0.02
0.02
0.06
0.05
0.10
0.15
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.05
0.00
0.05
0.10
0.05
0.10
0.15
50
100
150
200
250
PACF Residuals
0.2
0.1
0.4
0.1
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
A. TORMENTA DEL MAR DEL NORTE
59
Modelo Completo.
0.04
0.05
0.10
0.15
50
100
150
200
250
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.04
0.00
0.02
0.04
0.06
0.05
0.10
0.15
50
100
150
200
250
PACF Residuals
0.0
0.4
0.10 0.05
0.8
0.20
ACF Residuals
6
Lag
10
12
8
Lag
10
12
60
Ap
endice B
GRAFICOS
COMPARATIVOS
DEL MODELO COMPLETO
Y REDUCIDO PARA LA
TORMENTA DE HAWAI
(PRIMERA PARTE)
61
62
Modelo Completo.
1.5
1.0
0.5
0.0
0.5
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
1.5
0.5
0.0
0.5
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.4
0.0
0.2
1.0
ACF Residuals
6
Lag
10
12
8
Lag
APENDICE
B. TORMENTA EN HAWAI (PRIMERA PARTE)
63
Modelo Completo.
0.5
0.0
0.5
1.0 4.0
4.5
5.0
5.5
6.0
6.5
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.5
0.0
0.5
1.0
4.0
4.5
5.0
5.5
6.0
6.5
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
64
Modelo Completo.
0.6
0.2
0.2
0.4
0.6
0.0
0.5
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.5
0.0
0.5
0.0
0.5
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
APENDICE
B. TORMENTA EN HAWAI (PRIMERA PARTE)
65
Modelo Completo.
0.3
0.2
0.1
0.0
0.1
0.0
0.1
0.2
0.3
0.4
0.5
0.6
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.3
0.2
0.1
0.0
0.1
0.2 0.0
0.1
0.2
0.3
0.4
0.5
0.6
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
66
Modelo Completo.
0.2
0.1
0.0
0.1
0.2
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.2
0.1
0.0
0.1
0.2
0.3
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
APENDICE
B. TORMENTA EN HAWAI (PRIMERA PARTE)
67
Modelo Completo.
0.05 0.00
0.05
0.10
0.15
0.1
0.2
0.3
0.4
0.5
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.10
0.00
0.05
0.10
0.15
0.1
0.2
0.3
0.4
0.5
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
68
Modelo Completo.
0.06
0.02
0.02
0.040.00
0.05
0.10
0.15
0.20
20
40
60
80
PACF Residuals
0.2
0.2
0.1
0.4 0.8
0.3
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.06
0.02
0.02
0.06 0.00
0.05
0.10
0.15
0.20
20
40
60
80
PACF Residuals
0.2
0.2
0.1
0.4 0.8
0.3
ACF Residuals
6
Lag
10
12
8
Lag
APENDICE
B. TORMENTA EN HAWAI (PRIMERA PARTE)
69
Modelo Completo.
0.04
0.00
0.02
0.04
0.06
0.05
0.10
0.15
20
40
60
80
PACF Residuals
0.2
0.3 0.1
0.4
0.1
1.0
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.05
0.00
0.05
0.10
0.05
0.10
0.15
20
40
60
80
PACF Residuals
0.2
0.2 0.0
0.2
0.4 0.8
ACF Residuals
6
Lag
10
12
8
Lag
70
Modelo Completo.
0.03
0.01
0.01
0.03
0.02
0.06
0.10
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.02
0.00
0.02
0.04
0.06
0.02
0.06
0.10
20
40
60
80
PACF Residuals
0.4
0.3
0.2
0.0
0.8
0.3
ACF Residuals
6
Lag
10
12
8
Lag
APENDICE
B. TORMENTA EN HAWAI (PRIMERA PARTE)
71
Modelo Completo.
0.02
0.00
0.01
0.02
0.02
0.04
0.06
0.08
0.10
20
40
60
80
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.02
0.00
0.02
0.04
0.02
0.04
0.06
0.08
0.10
20
40
60
80
PACF Residuals
0.5
0.4
0.0
0.5
1.0
ACF Residuals
6
Lag
10
12
8
Lag
72
Ap
endice C
GRAFICOS
COMPARATIVOS
DEL MODELO COMPLETO
Y REDUCIDO PARA LA
TORMENTA DE HAWAI
(SEGUNDA PARTE)
73
74
Modelo Completo.
0.5
0.0
0.5
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.4
0.0
1.0
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.5
0.0
0.5
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
C. TORMENTA EN HAWAI (SEGUNDA PARTE)
75
Modelo Completo.
1.5
1.0
0.5
0.0
0.5
1.0
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.5
0.5
0.5
1.0
1.5
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.1
0.4
0.4
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
76
Modelo Completo.
0.5
0.0
0.5
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
1.5
0.5
0.5
1.0
1.5
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.1
0.4
0.8
0.4
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
C. TORMENTA EN HAWAI (SEGUNDA PARTE)
77
Modelo Completo.
0.4
0.2
0.0
0.2
0.40.2
0.0
0.2
0.4
0.6
0.8
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.4
0.2
0.0
0.2
0.4 0.2
0.0
0.2
0.4
0.6
0.8
20
40
60
80
100
120
PACF Residuals
0.3
0.2
0.0
0.4
0.2
1.0
ACF Residuals
6
Lag
10
12
8
Lag
10
12
78
Modelo Completo.
0.15
0.05
0.05
0.15
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
80
100
120
PACF Residuals
0.2
0.1
0.4
0.1
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.2
0.0
0.2
0.4
0.0
0.2
0.4
0.6
0.8
1.0
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.4
0.2
0.8
0.6
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
C. TORMENTA EN HAWAI (SEGUNDA PARTE)
79
Modelo Completo.
0.05
0.00
0.05
0.100.00
0.05
0.10
0.15
0.20
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4 0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.05
0.00
0.05
0.10 0.00
0.05
0.10
0.15
0.20
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4 0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
10
12
80
Modelo Completo.
0.04
0.00
0.02
0.04
0.06
0.05
0.10
0.15
0.20
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.04
0.00
0.04
0.05
0.10
0.15
0.20
20
40
60
80
100
120
PACF Residuals
0.2
0.2
0.0
0.4
0.8
0.2
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
C. TORMENTA EN HAWAI (SEGUNDA PARTE)
81
Modelo Completo.
0.02
0.00
0.02
0.04
0.02
0.06
0.10
0.14
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.02 0.00
0.02
0.04
0.06
0.02
0.06
0.10
0.14
20
40
60
80
100
120
PACF Residuals
0.2
0.1
0.4
0.1
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
82
Modelo Completo.
0.01
0.00
0.01
0.02
0.03
0.02
0.04
0.06
0.08
0.10
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.02
0.00
0.02
0.04
0.02
0.04
0.06
0.08
0.10
20
40
60
80
100
120
PACF Residuals
0.2
0.1
0.4
0.1
0.8
0.3
ACF Residuals
6
Lag
10
12
8
Lag
10
12
APENDICE
C. TORMENTA EN HAWAI (SEGUNDA PARTE)
83
Modelo Completo.
0.015
0.005
0.005
0.015
0.02
0.03
0.04
0.05
0.06
20
40
60
80
100
120
PACF Residuals
0.2
0.15
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
Lag
Modelo Reducido.
0.015
0.005
0.005
0.015
0.02
0.03
0.04
0.05
20
40
60
80
100
120
PACF Residuals
0.2
0.1
0.4
0.1
0.8
ACF Residuals
6
Lag
10
12
8
Lag
10
12
84
Ap
endice D
GRAFICOS
COMPARATIVOS
DEL MODELO COMPLETO
Y REDUCIDO PARA MAR
EN CALMA DE HAWAI
85
86
Modelo Completo.
0.10 0.05
0.00
0.05
0.10
0.2
0.1
0.0
0.1
100
200
300
400
PACF Residuals
0.2
0.2
0.4
0.0
0.2
1.0
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.10
0.00
0.05
0.10
0.2
0.1
0.0
0.1
100
200
300
400
PACF Residuals
0.4
0.3
0.2
0.0
0.8
ACF Residuals
6
Lag
10
12
6
Lag
APENDICE
D. MAR EN CALMA DE HAWAI
87
Modelo Completo.
0.0
0.2
0.4
0.0
0.5
1.0
1.5
2.0
2.5
100
200
300
400
PACF Residuals
0.3
0.2
0.1
0.4
0.1
1.0
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.6
0.2
0.2
0.4
0.6
0.0
0.5
1.0
1.5
2.0
2.5
100
200
300
400
PACF Residuals
0.4
0.2
0.3 0.1
0.8
0.1
ACF Residuals
6
Lag
10
12
6
Lag
88
Modelo Completo.
0.3
0.1
0.1
0.2
0.3
0.4
0.6
0.8
1.0
1.2
100
200
300
400
PACF Residuals
0.2
0.2
0.4
0.0
1.0
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.3
0.1
0.1
0.2
0.3
0.4
0.6
0.8
1.0
1.2
100
200
300
400
PACF Residuals
0.4
0.2
0.4 0.2
0.0
0.8
ACF Residuals
6
Lag
10
12
6
Lag
APENDICE
D. MAR EN CALMA DE HAWAI
89
Modelo Completo.
0.3
0.1 0.0
0.1
0.2
0.3
0.2
0.4
0.6
0.8
1.0
1.2
1.4
100
200
300
400
PACF Residuals
0.3
0.2
0.4
0.0
1.0
0.2
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.3
0.1
0.1
0.2
0.3
0.2
0.4
0.6
0.8
1.0
1.2
1.4
100
200
300
400
PACF Residuals
0.4
0.3
0.2
0.0
0.8
0.2
ACF Residuals
6
Lag
10
12
6
Lag
90
Modelo Completo.
0.2
0.1
0.0
0.1
0.2
0.1
0.2
0.3
0.4
0.5
0.6
0.7
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.2
0.1
0.0
0.1
0.2
0.1
0.2
0.3
0.4
0.5
0.6
0.7
100
200
300
400
PACF Residuals
0.2
0.15
0.4
0.00
0.8
0.15
ACF Residuals
6
Lag
10
12
6
Lag
APENDICE
D. MAR EN CALMA DE HAWAI
91
Modelo Completo.
0.10
0.00
0.05
0.10
0.15
0.1
0.2
0.3
0.4
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
0.20
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.10
0.00
0.10
0.20
0.1
0.2
0.3
0.4
100
200
300
400
PACF Residuals
0.15
0.0
0.4
0.05
0.8
0.20
ACF Residuals
6
Lag
10
12
6
Lag
92
Modelo Completo.
0.05
0.00
0.05
0.10 0.05
0.15
0.25
0.35
100
200
300
400
PACF Residuals
0.10
0.0
0.4
0.00
0.8
0.10
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.05
0.00
0.05
0.10
0.05
0.15
0.25
0.35
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
6
Lag
APENDICE
D. MAR EN CALMA DE HAWAI
93
Modelo Completo.
0.04
0.00
0.04
0.05
0.10
0.15
0.20
100
200
300
400
PACF Residuals
0.0
0.05
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.04
0.00
0.02
0.04
0.06
0.05
0.10
0.15
0.20
100
200
300
400
PACF Residuals
0.0
0.05
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
6
Lag
94
Modelo Completo.
0.02 0.00
0.02
0.04
0.06
0.02
0.06
0.10
0.14
100
200
300
400
PACF Residuals
0.2
0.10
0.4
0.05
0.8
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.02
0.02
0.04
0.06
0.02
0.06
0.10
0.14
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
6
Lag
APENDICE
D. MAR EN CALMA DE HAWAI
95
Modelo Completo.
0.02
0.00
0.02
0.04
0.02
0.04
0.06
0.08
0.10
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.00
0.8
ACF Residuals
10
12
Lag
10
12
10
12
Lag
Modelo Reducido.
0.02
0.00
0.02
0.04
0.02
0.04
0.06
0.08
0.10
100
200
300
400
PACF Residuals
0.0
0.10
0.4
0.05
0.8
ACF Residuals
6
Lag
10
12
6
Lag
96
Bibliografa
[1] Aage, C., Allan, T., Carter, D., Lindgren, G. and Olagon, M. (1998)
Ocean from Space, A textbook for Offshore Engineers and Naval
Architects, Ifremer.
[2] Cowpertwait, P. S. and Metcalfe, A. V. (2009) Introductory Time Series
with R, Springer, New York.
[3] Cramer, H. and Leadbetter, M. R. (1967) Stationary and Related
Stochastic Processes, Wiley and Sons, Inc, New York.
[4] L
utkepohl, H. (2005) New Introduction to Multiple Time Series
Analysis, Springer, New York.
[5] Ochi, M.K. (2003) Hurricane Generated Seas, Elsevier.
[6] Ochi, M.K. (1998) Ocean Waves: The Stochastic Approach, Cambridge
University Press.
[7] Percival, D.B. and Walden, A.T. (1993) Spectral Analysis for Physical
Applications: Multitaper and Conventional Univariate Techniques,
Cambridge University Press.
[8] Ramsay, J. O. and Silverman, B. W. (2005) Functional Data Analysis,
Second Edition, Springer, New York.
[9] Shumway, R. H. and Stoffer, D. S. (2006) Time Series Analysis and its
Applications. With R Examples, Third Edition, Springer, New York.
97